自疫情爆发以来，多家科技公司纷纷加入了抗击疫情的战役中。
其中，排查疫情是这场战役的重中之重，而 CT 影像已成为新冠肺炎筛查和病情诊疗的重要依据。
然而，在当前疫情诊疗的关键时期，存量患者和新增患者总体数量庞大，医生需要对患者不同进展期的多次 CT 影像检查进行随访对比，以对患者的病情发展和治疗效果进行精准评估。
采用传统目测检视的医学影像检查手段，医生不仅工作量巨大，也难以对患者病情做到精准评估和及时对比。在全社会抗击疫情医疗资源紧张、医生超负荷工作的情况下，超量的 CT 影像检查对一线抗疫工作形成了巨大的医疗资源需求挑战。
实际上，用 AI 进行医学影像分析，并辅助诊断，已经非常多的应用案例。就在昨日（2.28），百度联手连心医疗，正式推出了“基于 CT 影像的肺炎筛查与病情预评估 AI 系统”，并且已经在湖南郴州湘南学院附属医院投入使用。
一、从分钟到秒
据报道，一位新冠肺炎病人的 CT 影像大概在 300 张左右，这给医生临床诊断带来巨大压力，医生对一个病例的 CT 影像肉眼分析耗时大约为 5-15 分钟。
而首先落地在湘南学院附属医院的这套 AI 肺炎筛查和预评估系统，可在几十秒内完成对患者 CT 影像的病灶检测、病灶轮廓勾画、双肺密度分布直方图及肺部病灶的数量、体积、肺部占比等全套定量指标的计算与展示。
其中，该系统在测试数据集上的病灶检测精度和召回率分别达到 92%和 97%，做到在保证高病灶检出精度的基础上防止漏检。
除了可快速检测识别肺炎病灶，为病情诊断提供病灶的数量、体积、肺部占比等定量评估信息。该系统同时还辅以双肺密度分布的直方图和病灶勾画叠加显示等可视化手段，为临床医生筛查和预诊断患者肺炎病情提供定性和定量依据，提升医生诊断和评估效率。
此外，该系统采用的深度学习算法模型充分训练了所收集到的高分辨率和低分辨率的 CT 影像数据，能极好地适应不同等级 CT 影像设备采集的检查数据，有望为医疗资源受限和医疗水平有限的基层医院提供有效的肺炎辅助预诊断工具。
二、用开源对抗封闭
很多公司也想打造自己的肺炎 CT 影响分析模型，然而从头训练的成本较高，不能够及时发挥作用。
为此，百度和连心医疗采取了开放的态度，在业内首次开源上述系统中的肺炎 CT 影像分析 AI 模型——肺炎 CT 影像分析模型（Pneumonia-CT-LKM-PP）。
不仅如此，其预训练模型也已在百度 EasyDL 上开放，开发者可通过在 EasyDL 图像分割模型中，选择“肺炎 CT 影像识别专用算法”，少量数据训练即可获得基于实际场景进一步优化的模型。
对于想亲自上手「肺炎 CT 影像分析模型（Pneumonia-CT-LKM-PP）」的开发者，百度也给出了详细的教程。
1、定义待预测数据
如果没有自己的数据，也可以用百度提供的 demo.dcm 医学影像练手。
2、加载预训练模型
百度的 PaddleHub 提供了病灶分析和肺部分割的 Module，即 Pneumonia_CT_LKM_PP，包含病灶分割和肺部分割 2 个模块，都是基于 UNet 进行一系列优化。
3、预测
PaddleHub 对于支持一键预测的 module，可以调用 module 的相应预测 API，完成预测功能。
4、 后处理
通过一定的后处理，将肺部分割结果映射到原图上，再将病灶分割和肺部分割融合到一张图上可视化。
代码传送门：
三、AI 战疫，为爱而战
随着临床诊断数据的积累，新冠肺炎的影像学大数据特征逐渐清晰，相信 AI 在肺炎筛查领域发挥的作用会越来越大。
据百度介绍，该系统后续还将陆续于湖北、成都等地医院部署，其在线版本也将对全国定点收治医院免费开放，有利于医疗人员基于该系统开展远程会诊协作，提高基层医院的病情诊断和救治能力，进而有望降低患者在转诊、巡诊等过程中产生的交叉传染风险。
也期待更多的医院和算法研究者参与到基于 AI 的医学影像大数据抗疫产品研发中来，为抗疫临床研究和临床产品研发贡献力量。
众志成城，打赢疫情阻击战。
